给定含有5个样本的集合02001050-1-1请用k均值聚类算法将样本聚为两类距离度量为曼哈顿距离。

首先需要选择两个初始聚类中心，这里选择(0,0)和(2,0)。然后计算每个样本点到两个聚类中心的曼哈顿距离，将它们分配到距离较近的聚类中心的类别中。

第一次迭代：

聚类中心1：(0,0) (0,2)到聚类中心1的距离为2 (0,0)到聚类中心1的距离为0 (1,0)到聚类中心1的距离为1 (5,0)到聚类中心1的距离为5 (-1,-1)到聚类中心1的距离为2 将(0,2)、(1,0)、(-1,-1)分配到聚类1中，将(0,0)、(5,0)分配到聚类2中。

聚类中心2：(2,0) (0,2)到聚类中心2的距离为2 (0,0)到聚类中心2的距离为2 (1,0)到聚类中心2的距离为1 (5,0)到聚类中心2的距离为3 (-1,-1)到聚类中心2的距离为3 将(0,2)、(1,0)、(-1,-1)分配到聚类1中，将(0,0)、(5,0)分配到聚类2中。

第二次迭代：

聚类中心1：(-0.33,0.33)（(0,2)+(1,0)+(-1,-1)的平均值） (0,2)到聚类中心1的距离为2.33 (0,0)到聚类中心1的距离为0.94 (1,0)到聚类中心1的距离为0.67 (-1,-1)到聚类中心1的距离为0.67 (5,0)到聚类中心1的距离为5.33 将(0,2)、(1,0)、(-1,-1)分配到聚类1中，将(0,0)、(5,0)分配到聚类2中。

聚类中心2：(2.5,0)（(0,0)+(5,0)的平均值） (0,2)到聚类中心2的距离为2 (0,0)到聚类中心2的距离为2.5 (1,0)到聚类中心2的距离为1.5 (-1,-1)到聚类中心2的距离为3.5 (5,0)到聚类中心2的距离为2.5 将(0,2)、(1,0)、(-1,-1)分配到聚类1中，将(0,0)、(5,0)分配到聚类2中。

经过第二次迭代后，聚类中心不再发生变化，聚类完成。聚类结果为：

聚类1：{(0,2), (1,0), (-1,-1)} 聚类2：{(0,0), (5,0)